Реалізація трекінгу калорій через мобільний застосунок

Реалізація відстеження калорій через мобільний додаток

Додаток для підрахунку калорій — це насамперед база продуктів харчування, надійний алгоритм розрахунку макронутрієнтів (КБЖУ) та інтеграція з платформними сховищами даних здоров'я. UX та ML для розпізнавання їжі розташовуються на верхівці цієї основи.

База даних продуктів

Створювати власну базу — трудомістко. Для старту використовуйте готові API:

Open Food Facts — відкрита база з 3+ млн продуктів, REST API безкоштовний:

GET https://world.openfoodfacts.org/api/v2/product/{barcode}.json
GET https://world.openfoodfacts.org/cgi/search.pl?search_terms=apple&json=true

Відповідь містить nutriments.energy-kcal_100g, nutriments.proteins_100g тощо. Якість даних неоднорідна: для світових брендів — відмінно, для місцевих продуктів — пропуски.

USDA FoodData Central — детальна база харчування США, безкоштовний API з ключем:

GET https://api.nal.usda.gov/fdc/v1/foods/search?query=chicken+breast&api_key={key}

Для українського ринку — інтеграція з базами типу каталогів або власна база з краудсорсингом.

Локальне кешування: популярні продукти (топ-1000 за частотою пошуку) кешуються в Room/CoreData. Пошук за штрихкодом або назвою спочатку в локальній базі, промах — запит до API.

Сканування штрихкоду

Найшвидший спосіб додати продукт. На iOS — DataScannerViewController (iOS 16+, Vision framework під капотом) або AVCaptureMetadataOutput для старших версій. На Android — CameraX + BarcodeScanning з ML Kit:

val options = BarcodeScannerOptions.Builder()
    .setBarcodeFormats(Barcode.FORMAT_EAN_13, Barcode.FORMAT_EAN_8, Barcode.FORMAT_QR_CODE)
    .build()
val scanner = BarcodeScanning.getClient(options)

val imageAnalysis = ImageAnalysis.Builder()
    .setTargetResolution(Size(1280, 720))
    .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
    .build()

imageAnalysis.setAnalyzer(executor) { imageProxy ->
    val mediaImage = imageProxy.image ?: return@setAnalyzer imageProxy.close()
    val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
    scanner.process(image)
        .addOnSuccessListener { barcodes ->
            barcodes.firstOrNull()?.rawValue?.let { barcode ->
                onBarcodeDetected(barcode)
            }
        }
        .addOnCompleteListener { imageProxy.close() }
}

Розрахунок макронутрієнтів

Основні формули:

BMR (Mifflin-St Jeor):

• Чоловіки: 10 × вага(кг) + 6.25 × зріст(см) − 5 × вік + 5
• Жінки: 10 × вага(кг) + 6.25 × зріст(см) − 5 × вік − 161

TDEE = BMR × коефіцієнт активності (1.2–1.9). Дефіцит/профіцит — цільові калорії мінус TDEE.

Добова норма БЖУ в грамах: білок 1.6–2.2 г/кг ваги (при похуданні/наборі), жири 0.8–1.2 г/кг, вуглеводи — залишок від загальних калорій.

Інтеграція з HealthKit / Health Connect

iOS — записування калорій:

let calorieType = HKQuantityType(.dietaryEnergyConsumed)
let calorieSample = HKQuantitySample(
    type: calorieType,
    quantity: HKQuantity(unit: .kilocalorie(), doubleValue: 450),
    start: mealTime,
    end: mealTime
)
healthStore.save(calorieSample) { _, _ in }

Окремо можна записувати dietaryProtein, dietaryFatTotal, dietaryCarbohydrates — тоді дані з'являться у розділі «Харчування» в додатку «Здоров'я».

Android — Health Connect:

val nutritionRecord = NutritionRecord(
    startTime = mealTime,
    startZoneOffset = ZoneOffset.systemDefault().getRules().getOffset(mealTime),
    endTime = mealTime.plusMinutes(30),
    endZoneOffset = ZoneOffset.systemDefault().getRules().getOffset(mealTime),
    energy = Energy.kilocalories(450.0),
    protein = Mass.grams(35.0),
    totalCarbohydrate = Mass.grams(60.0),
    totalFat = Mass.grams(15.0),
    mealType = NutritionRecord.MEAL_TYPE_LUNCH
)
healthConnectClient.insertRecords(listOf(nutritionRecord))

Розпізнавання їжі за фото (опціонально)

ML Kit ImageLabeling на основі MobileNetV2 розпізнає ~1000 категорій об'єктів — не страви, а об'єкти типу «apple», «sandwich». Для точного розпізнавання страв потрібна спеціалізована модель. Варіанти:

• Logmeal API — REST API для розпізнавання їжі, ~92% точності на стандартних стравах
• Власна модель на CoreML / TensorFlow Lite, навчена на датасеті Food-101 або власному

Зіставлення результату розпізнавання з базою продуктів — нечіткий пошук за назвою категорії.

Терміни

Базовий додаток з ручним вводом, сканером штрихкодів та інтеграцією в HealthKit/Health Connect — 6–10 тижнів. З розпізнаванням їжі за фото, синхронізацією з сервером та аналітикою — 3–5 місяців.